胡向阳 丁寒：人工智能犯罪预测 | 中国刑警学院学报202006

【作者】胡向阳（中南财经政法大学刑事司法学院院长、教授、博士生导师，教育部科技部司法鉴定技术应用与社会治理学科创新引智基地（B20077）执行主任）；丁寒（中南财经政法大学刑事司法学院）

【来源】北大法宝法学期刊库《中国刑警学院学报》2020年第6期 （文末附本期期刊目录）。 因篇幅较长，已略去原文注释。

内容提要：人工智能的深度发展推动着犯罪预测和侦查模式的变革。根据犯罪活动规律，结合犯罪行为的关键信息点，利用条件概率与计算机深度学习等技术手段，探索利用人工智能技术构建犯罪预测的应用路径，对于侦查机关进行科学的犯罪预测具有重大的现实意义。当前犯罪预测仍存有不足之处，但通过对海量数据的清洗、挖掘，获取关联线索可使侦查工作摆脱碎片化数据的掣肘。人工智能技术是清洗海量数据的有效手段，数据分析与建模可以大幅提升侦查机关的办案效率。通过科学适用人工智能进行犯罪预测，对犯罪热点地区、犯罪高危人群、犯罪线索和犯罪行为进行概率预判，有利于强化侦查机关的预警能力，更好地保护人民群众的生命财产安全。

关键词：人工智能；犯罪预测；数据建模；条件概率

1

引言

在互联网不断发展的基础上，多功能互动、人工智能、虚拟世界、注意力经济、在线视频等方面的科学技术不断改进。人类社会迅速进入人工智能时代，无疑将使犯罪预测和侦查模式发生重大变革。随着人工智能技术在理论层面的深入发展，下沉的应用型人工智能技术在现实社会中也逐渐的“落地生根”。人工智能的多维发展为犯罪预测和侦查模式的变革提供了有效助力。从人脸识别到机器深度学习，大数据等关联技术的迭代更新，使得侦查机关利用人工智能对复杂犯罪动态进行科学预测成为可能。以犯罪活动规律为考量标准，立足犯罪行为的关联数据信息，利用条件概率、时间序列分析、核密度分析等原理，结合知识工程、深度学习等技术手段，不断探索利用人工智能构建犯罪预测的应用路径并由此构筑科学的犯罪预测模式，对目前处于复杂侦查混沌体系中的侦查机关来讲具有重大的现实意义。现阶段，人类社会活动逐渐复杂，不同犯罪行为模式不断滋生。传统的被动型侦查和犯罪关联数据体量的爆炸式增长决定了侦查机关的犯罪预测必然存有不足之处，但是通过利用人工智能对海量数据的清洗、挖掘和对犯罪情报的研判，可以依托所获线索使侦查机关摆脱碎片化信息的钳制，提升侦查机关对案件的掌控程度。

2

人工智能犯罪预测概述

2.1人工智能犯罪预测的概念

人工智能的概念最早出现在20世纪50年代，它是研究开发用于模拟、延伸和扩展人类智能的

理论、方法、技术及应用系统的一门综合性技术科学。随着现代通信、计算机、互联网、物联网、大数据、生物技术的不断发展与完善，人工智能也得以飞速发展，学界对于这一概念的界定也日趋精细化：人工智能是基于对人类智能实质的理解而生产的，一种以智能方式对人类意识、思维、行为模拟后进行自主学习并能够做出反应的机器，包括信息收集、语言识别、图像识别、自然语言处理和信息反馈、处置等，最终达到机器能够像人类一样思考、学习、行动的目的，甚至可能产生具有超过人类智能的类人机器。

人工智能犯罪预测，主要以收集各种跨媒体的异构复杂数据（视频、图像、语音、文本等）信息为基础，利用机器学习、图像理解和生物识别等技术，从跨场景的复杂空间行为理解、跨物理和虚拟空间的社会形态分析等角度，对与犯罪行为的发生、发展产生关联的事物变化进行交互感知、认知和理解，构建智能化预警监测与安全控制系统。也就是说，人工智能犯罪预测建立在具有多种表现形态的数据基础上，通过计算机深度学习等技术手段，人工智能可以简化繁杂的数据维度，清洗出可视性程度较高的有效信息，突出犯罪行为相关的结构要素。合理应用人工智能的这一特性进行犯罪预测，模拟、构建人脑对于外来信息刺激下的神经元工作原理，再现人脑对于信息的处理和挖掘，就可以将侦查人员从庞大的情报分析工作中解放出来，降低简单性重复工作的任务量，提升侦查人员的工作效率，在人工智能研判情报的基础上，统筹海量数据信息，实现侦查决策的科学化。

2.2现阶段人工智能犯罪预测的不足

就现阶段的犯罪预测来讲，除了对于海量数据的智慧处理，技术层面上急需解决的是人工智能机器如何自主通过程序指令对其工作进行研判；而对于侦查机关来讲，则需要通过多种形式进行数据输入和情报挖掘，以确保人工智能系统可以顺利接收任务指令进行计算。截至2018年底，美国过半数的警局配备了智能犯罪预测系统（PredPol）。我国的侦查人员也在逐步探索将人工智能应用于犯罪预测，如基于决策树、向量自回归等多种算法的犯罪预测模型，北京怀柔、浙江嘉兴桐乡等地侦查机关作为人工智能犯罪预测应用的急先锋，也取得了显著的应用成果。但是，当前人工智能在犯罪预测应用方面呈现出零散化和碎片化的特点，这说明在现有的侦查体制内，人工智能仍是一个辅助性工具，仅仅能对犯罪预测起到补充作用。

2.2.1局限性

约翰·塞尔将人工智能划分为强人工智能和弱人工智能。基于现有的科技水平，无论人们如何界定强人工智能与弱人工智能的技术分水岭，现阶段也是仅有弱人工智能在实际层面投入了使用，即我们现在所提到的人工智能是在特定领域、基于特殊目的，听从编程和指令的非完全智能化设备。当前在犯罪预测中由于弱人工智能的技术局限而产生的刑事责任，一般都归责于开发者和使用者。而对于强人工智能设备出现后，其所涉及的刑事案件，同样也需要在立法层面进行深入思考。因为人工智能的行为发出虽然并非其自我认知，但是在机器的深度学习后，对于该如何应用拟人化的思维模式进行犯罪主观方面和犯罪主体的认知，仍是现存法律体系内的制度空白。在当前阶段，包括对于数据的采集、清洗和分析，均是在主体的主观控制下进行的，因而当前的人工智能犯罪预测不可避免地带有主观因素，如Twitter的自动图像裁剪算法就被怀疑其在向用户推送预览信息中存在种族歧视。因此，为了避免犯罪预测带有主观偏见，应对适用人工智能进行犯罪预测的有权主体进行权力限制。

与此同时，目前人工智能犯罪预测技术所面对的技术僵局不仅仅来源于人工智能技术自身，也缘于海量数据的体量。一是对于弱人工智能机器而言，其行为的起点和终点都已被程序预设，其自主学习的能力仅体现在处理数据时的算法运行；二是对于开发者而言，为充分运用人工智能而不断开发和升级软件，可能会导致软件内一些隐藏的漏洞修复无例可循、无法借鉴；三是对于侦查机关而言，为了更好地预测犯罪，海量数据必不可少，但是因数据的收集和整理方式、数据的关联度、时效性等因素，很可能会引入偏差，使得人工智能的计算结果出现失误。弱人工智能在犯罪预测中的固有缺陷，还体现在其对存在于“互联网雾计算”体系中的碎片化数据的低灵敏度，这使其无法在犯罪预测过程中自主精确搜寻到案件关联信息并递进研判，导致难以通过自主感知复杂的空间信息和物理环境来进行准确预警。除此之外，以人工智能为核心的犯罪预测并不能直接对于犯罪行为的因果事实进行全面刻画，如果要在海量数据中找寻合理的逻辑关系，仍然运用需要“机器+人”的模式研判。

2.2.2侵权性

依托人工智能的犯罪预测，在一定程度上会对公民个人隐私和信息自由产生威胁，须在数据来源和应用过程中加强对公民的信息安全保护。美国的很多学者在几年前就提出了“大数据监控”的概念，这主要是因为历经多年发展，可以通过人工智能采集技术对公民的各类数据进行全面收集，实现全方位数据监控。人工智能犯罪预测主要通过海量数据的挖掘、清洗进行，这些数据的存在都是独立的，但是一旦用于公民私人信息的挖掘和分析，其整合分析后的信息则会涉及个人隐私。

2.2.3割裂性

人工智能在犯罪预测中的应用价值，在于侦查机关能否运用人工智能对犯罪活动进行有效监控。如果在犯罪预测的过程中，机械地割裂了人工智能这一技术与其他公共安全工作之间的关系，忽略其所具有的自主学习及利用规律进行海量数据研判的能力，加之侦查部门中的各部门、各层级之间存在数据壁垒，数据之间不能有效关联，一些相关性很强的数据资源就无法纳入犯罪预测信息和情报数据库。同时，在人工智能犯罪预测的过程中容易进入简单依赖数据研判的怪圈。事实上犯罪预测并不仅仅局限于数据之间的简单组合，而是要依托于犯罪预测的基础理论，将海量数据进行有目的的清洗、关联后再对所获情报进行合理研判，将数据转换为情报信息，为侦查工作服务。

3

人工智能犯罪预测的应用

时间的单向性证明，人类活动总是在时间轴上被时间挟裹前行。而侦查活动的滞后性又意味着在案发后，侦查人员对于案件事实的认知只能是最大限度地构建而非复原案发过程。但如果能够运用人工智能技术，将已破获案件中犯罪活动事件的规律与包含犯罪信息的大数据结合，转换为数据之间的数理关系来预测犯罪，那么对于犯罪的预防和打击将会事半功倍，无疑会大大提升维护社会治安的能力。

3.1人工智能犯罪预测的合理性

基于传统侦查模式所看重的犯罪现场勘查、犯罪现场访问，早已不足以适应打击新型犯罪工作的需要。作为模拟人类思维最直接的科技成果，人工智能加深了数据与类人思维的融合，充分利用人工智能，可以实现侦查活动的科学化，并使之更好地适应不断迭代更新的犯罪方法。

3.1.1数据化

大部分信息化侦查的既往案例说明，各个警种都倾向于单兵作战，其所研判的数据和信息一般也都源于其自有数据库，各个地区、各个层级、各个警种之间存在着较为严重的数据壁垒。人工智能引入犯罪预测后，一方面可以推动数据管理制度、数据共享制度的转变，打破各部门、各层级的数据壁垒，丰富信息分享渠道，为犯罪预测提供丰富的数据资源；另一方面可以建设数据共享平台，而数据共享机制的构建又会进一步推动侦查体制的变革。在数据共享的基础上，清洗数据后所得到的有效情报，有助于将侦查人力、物力和技术资源进行整合重组，实现“大部制”和“多警种合成作战”。总而言之，人工智能犯罪预测，既顺应了时代的发展趋势，也将犯罪预测数据化，不仅可以推动侦查体制的改革，也将极大地提高侦查办案的工作效率。

3.1.2可视化

传统意义上的刑事犯罪侦查多针对接触性犯罪行为，在三维的物理空间中，侦查所需的信息以物理形式展现，但是由于技术受限、信息流通、保存难度等问题，使得过去发生的很多案件信息难以复盘。因此，早期的犯罪预测多呈现“大案牍术”的特点，即借助纸质地图与犯罪情报信息，通过人工手段将信息定位于纸质地图之上，工作强度大、难度高，耗时费力，且不能保证预测结果的准确性。人类社会发展至今，人工智能与大数据、互联网、通信技术、地理信息技术、视频图像技术融合而进行的犯罪预测，极大地降低了犯罪预测的难度。借助多种结构化数据，可以对历史案件相关的数据进行快速准确的挖掘，客观地形成了一个与物理空间相对的数据空间：在电子地图上清晰地显示各种目标的存在及移动轨迹，依赖复杂的地理信息系统与数学模型的支持，实现各种复杂情势下的辅助评估研判决策，指导一系列的处置反应。人工智能犯罪预测多以电子设备为媒介，预测结果的呈现形式可以根据用户的需求进行个性化调整，加之所需的存储设备保存期限长、数据更新难度小等特点，这种可视化程度极高的犯罪预测模式可以有力提升犯罪预测的速度和准确率。

3.1.3智能化

2017年中国计算机学会大数据专家委员会发布的《大数据发展趋势预测报告》将人工智能列为大数据发展的第二热点技术。脱胎于大数据、人工智能等技术并飞速发展的数据挖掘技术，使新型智能化犯罪预测成为了可能。在这样的趋势下，犯罪预测的方式方法也转换为新的模式，以人机互动的观念为元点，通过对人工智能这一新兴技术的高效运用来实现犯罪空间、犯意表示、犯罪轨迹和高危犯罪人群的智慧筛查，通过定量分析、趋势预测、平滑指数等统计预测方法，结合生物识别、预测模型、数据建库技术等手段，实现自主预测某个时空范围内可能发生的某类犯罪，并及时发出预警，从而使警方可以提前介入即将发生的犯罪，实现精确防控、主动出击。如广州公安犯罪拼图系统、苏州公安PPS犯罪预测等，在实践中通过智能化的犯罪热点预测，有效提升了预警分析的前瞻性和预防能力。

3.2人工智能犯罪预测的方法

3.2.1犯罪要素分析

人工智能犯罪预测过程的标准化，首要的是对可能影响犯罪行为产生的因素进行分析。因此，在对现有案件样本进行分析时，应通过数据挖掘等方法，于繁复的表象特征中找寻个案与类案之间的内在逻辑，总结归纳出关于案件构成因素的规律，借此预测犯罪、助推案件侦办工作。对于个案的分析，需要在案发后针对案件相关的证据和线索进行分析、比对；而对于类案的分析则需要将视野扩至全部历史案件，按照不同的分析角度对历史案件进行整理，从中挖掘类案在“何人、何地、何时、何物、何事、何情、何因”等方面呈现出的规律性特征。可以说，类案犯罪要素的规律总结是大量的个案分析与预测的依据，而大量个案分析是类案犯罪要素构成规律总结的必要前提基础。个案的数量越多，所提炼的类案特征就越具有普适性，这种普适性的规律可以作为人工智能进行犯罪预测时的标准，筛选出大量符合这一犯罪要素规律的或然性因素，可大幅提升侦查人员进行犯罪预测和犯罪预防的效率。

3.2.2搜索引擎关键因子筛选

随着信息科技产业的第三次革命，网络在人类社会中的作用日趋重要。通过对大量历史数据、犯罪记录、特定人群敏感词汇、地理位置信息进行相关分析，利用与犯罪相关的关键因子，筛选出一系列有效的检索关键词，并计算出这些关键因子与某类犯罪发生关联的影响系数等参数，可以迅速以非接触式的方式对特定人员进行心理侧写与日常活动轨迹描画。

例如美国洛杉矶、波士顿和芝加哥等10多个城市的警察局，近十年来已运用搜索引擎犯罪预测处理算法来预测犯罪，并及时调整警力布置防控犯罪。其中，洛杉矶警察局利用搜索引擎犯罪预测处理及分析软件成功将辖区内盗窃犯罪率降低了33%，暴力犯罪率降低了21%，财产类犯罪率降低了12%。再如微信、QQ、微博这三款我国用户体量最大的app，均结合了用户的社会交往与日常生活，可以直观体现出用户的偏好和生活轨迹，这其中既包括了用户的人际关系，也会体现出相似人群的共同特征。这些碎片化的数据在利用人工智能进行关键因子的筛选后，便可以直观地描画出以地缘、血缘、学缘为纽带的关联人群的相似性，也可为寻找类案的高危人群甚至是潜逃人员提供帮助。

3.2.3数据建模分析

人工智能犯罪预测的核心即是通过标准化的算法和范式，基于历史数据和规律对地区内的案件情况进行预测。也就是说，设计出可以反映案件特征、发案规律的数学模型才是科学进行犯罪预测的有力依据。因此，根据个案和类案的特征分析与概括，基于不同标准可以构建出不同的数据模型。

（1）基于分析对象不同，可以将人工智能犯罪预测分为个案预测模式和类案预测模式。个案预测模式从微观视角着眼于个案的侦破，类案预测模式则是从宏观的视角对海量案件进行整体分析。

（2）基于数据来源不同，可以将人工智能犯罪预测分为原生数据预测和衍生数据预测。原生数据预测是通过数据的搜索和比对找到与案件相关的数据，这种方式不会改变数据的原本形态；衍生数据预测的任务则是通过对相关数据进行挖掘和碰撞，找到分散信息之间的内在逻辑并获取新的数据形态。

（3）基于案件线索来源，可以将人工智能犯罪预测分为“人—数—人”和“案—数—案”两大预测方向。“案—数—人—数—案”犯罪侦办模式是在传统的“从案到人”和“从人到案”模式的基础上发展而来，即从现实空间具体的人、案到数据空间抽象的人、案的这一过程，在虚拟数据空间寻找相关信息，强调以数据作为物理空间和虚拟空间的桥梁，连接案件和犯罪嫌疑人。例如北京怀柔警方自2013年起开始运行“犯罪数据分析和趋势预测系统”，该系统共收录了1.6万余件犯罪案件数据，通过标准化分类后导入系统数据库，同时采用地图标注，将怀柔分成16个警务辖区，抓取4700余个犯罪空间坐标实施空间网格编号，通过多种预测模型，自动预测未来某段时间、某个区域可能发生犯罪的概率及犯罪的种类。

3.2.4条件概率预测

鉴于侦查行为相对于犯罪活动的滞后性，为了增强侦查主动性，提高侦查效率，更应注重打防结合，节约侦查资源，而犯罪预测就显得更为重要。运用人工智能进行大数据运算，可以预测犯罪动向、有效防控犯罪行为的发生。

条件概率公式可以用于犯罪预测。根据条件概率公式P （A |B）=P（AB ）/P （B），假设A 、B分别是两个事件，且P （B ）＞0，则在事件B发生的条件下，事件A发生的条件概率用P （A |B ）来表达。需要注意的是，当A事件包含于B事件当中时，P（AB ）=P（A）。

假设某区域发生违法案件的概率为P （违法案件），发生刑事犯罪的概率为P （刑事犯罪）。由于刑事犯罪案件包含于违法案件之中，则P （既是刑事犯罪又是违法案件）=P（刑事犯罪），那么，在该区域既是违法案件又是刑事犯罪的可能性就可以表达为：P （刑事犯罪|违法案件）=P （刑事犯罪）/P（违法案件）

鉴于可以引发刑事犯罪的环境因素有许多，既包含宏观空间，也包括中观情景。例如，环境偏僻是容易滋生刑事犯罪的客观因素，在特定的区域随机作犯罪预测，假设其位置在环境偏僻处的概率为P （环境偏僻），该辖区中所有案件中刑事案件所占比重为P （刑事案件），那么在该辖区的环境偏僻处，出现刑事案件的可能性为：P （刑事案件|环境偏僻）=P （该案件既是刑事案件，又发生在环境偏僻处）/P（环境偏僻）

科学技术的有力支撑，使得侦查学的科学性特征不断增强，已知的结构性数据和可以影响刑事案件发生的客观因素必然越来越多。例如居民素质、犯罪预防设施和出警效率等条件都会影响刑事案件的发生。所以，基于动态的侦查混沌体系，可以利用建立在条件概率基础上的贝叶斯公式：

P （Bi | A ）是指某一地理位置在符合某些客观因素时，发生刑事案件的可能性，即P （发生刑事案件|客观因素）。在特定地区可能发生的所有事件中，假设Bi概率事件是其中某一类刑事案件，j为设定的变量（1≤ j≤n），通过j的变化来进行对特定地区刑事案件的变量统计。因此，以所有影响因素均考虑到后刑事案件发生的可能性总和为分母，以客观因素A与某类刑事案件发案概率Bi同时存在的可能概率为分子，我们知道了A这一客观因素产生后Bi发生的概率P （Bi | A ）。当P数值比较高时，说明该位置危险系数较高，这就提醒警方应当有针对性地做好预防措施，可以通过提高对于辖区内重点人口的监控等级，或加强对外来流动人员的户籍制度登记等行政措施来预防犯罪发生；而当这个P数值较低时，则认为特定地区的某类特定刑事案件发生的可能性较低。通过人工智能还能计算出最优的警民配比，在高危时间段加强对于高危地域的布警和巡防，优化警力资源配置，预防并减少犯罪。

3.3人工智能犯罪预测的应用路径

人工智能犯罪预测可以是对特定地区犯罪活动趋势的预测，也可以是对特定人员实施犯罪行为概率的预测，还可以是对特定案件类型潜在犯罪线索的预测。

3.3.1犯罪“热点”预测

基于情境犯罪预防理论和可利用空间理论，犯罪行为的发生频率与地理位置密切相关，不仅在三维空间中表现出不均匀分布的特点，也呈现出在特定时间、特定地点的高频发案规律（即犯罪“热点”），通过对历史犯罪热点数据的分析可以预测未来犯罪活动的趋势和走向。现阶段进行犯罪“热点”预测的常见做法主要是基于自激点过程，通过对于案件发生频次、案件发生时刻、案件发生位置的刻画，可以将待预测地区分为若干个面积一致的方块，然后依托已知的罪案数据，使用随机除丛和核密度估计得出每个方块内发生该类案件的概率，从而调配有效警力进行一般预防与特殊预防相结合的预警战略。

需要注意的是，一个区域往往是多种客观因素的混沌整合，如果单纯将一个区域分为面积大小一致的多个方块便意味着人为忽略了多种变量的变化。以基于犯罪“热点”的预测方法为例，其并没有将不同方块中市政建设和人群分布等多种变量囊括其中，因而各个方块所呈现的犯罪发生概率并不能作为警力调配的直接依据。因此，在犯罪“热点”分析中，可以将特定区域的地图依据时空维度进行立体描画，以人口密集度或者已知发案频次将该三维模型划分为面积不等的立方体，通过衡量多种变量，不断加深对各个立方体内高危区域的染色，颜色越深则表示犯罪密度越高。

3.3.2特定人群犯罪概率预测

这一应用类型其实是源于对于高危人群的密切监控。首先要对类案进行分析，通过对犯罪行为、案发环境、作案手段、作案工具等案件构成要素进行规律总结后，其次构建相关模型，最后引入人工智能算法。因为这些数据在清洗后已经可以与高危人群的认定产生联系，经过人工智能算法筛选出来的目标群体很有可能即为某一类案的犯罪分子。

直接用数据对犯罪嫌疑人进行侧写的想法，最早可以追溯到“犯罪心理画像”：侦查人员根据犯罪现场遗留的痕迹、物证等信息，结合主观经验判断，对犯罪嫌疑人的外形、身份、心理活动等进行描绘的活动。以前对犯罪分子特征的描述来源于对个案中的犯罪现场、物证、行为证据等的考察，而在大数据时代，对犯罪分子的心理画像则可以通过数据来完成，越来越多的学者也提出了“数据画像”的概念。

利用人工智能进行“数据画像”，多指通过数据与情报的研判后，对犯罪嫌疑人或关联相关人员的基本信息进行数据描画，如性格特征、行为特征、职业特征，这些被刻画出的分析对象数据可以为侦查活动提供进一步的线索。实践中，用于犯罪画像的数据来源非常广泛，包括侦查机关的数据库、社会公共数据库、大数据公司的用户数据、个人电子设备中的数据等。所选取的数据源越多，对犯罪嫌疑人特征的刻画就越具体，对犯罪嫌疑人行为特征的分析也就更精确，如个人基本信息、形体特征、行为轨迹、消费习惯、经济状况、兴趣爱好、人际交往等。例如我国公安机关构建的“刑事专业研判平台”就具有高危人员预警的功能，其针对的人群主要是在辖区内频繁活动、具有犯罪前科并符合流窜作案特征的人群，数据主要来源于前科犯罪人员数据库、旅馆住宿数据库、网吧上网数据库及相关的社会行业数据库等。通过这些已经建立的数据库，设定相应算法进行特征点筛选后，就可以利用人工智将某一特定人群重点描画并迅速缩小犯罪嫌疑人的范围。

3.3.3犯罪线索的识别

人工智能对犯罪线索的识别，包括数据搜索、数据建模、数据碰撞、数据挖掘等。其中，数据搜索与碰撞是较为简单的方法，数据搜索的原理就是在海量数据库中检索出相关数据；数据碰撞则指通过多个数据集之间的自动比对来发现相关数据。例如，在“伪基站”电信诈骗的类型案件中，某一区域内大量相同号段的手机号码在同一时间收到类似信息，人工智能一旦发现蜂窝流量使用上的异常峰值即可及时发出类案的预警。在犯罪预测的过程中，预测主体通常必须选择大量变量，这些变量多基于十分复杂的算法才能进行较为准确的预测，这种被称为“黑盒模型”的预测方法虽然会耗费较长的运算时间，但是显然会比单一变量的算法更为准确。这种“黑盒模型”的算法，无法依靠简单的人工劳动进行重复叠加完成，因此，利用人工智能对多种变量进行同时检测，将多种敏感因素取其交集，才能迅速得到有效的线索导向型情报，为进一步的侦查工作开展打下基础。

3.3.4犯罪行为的自动识别

不同类型的刑事犯罪行为都具有一定的规律，例如不同案件的作案人在预备犯罪、接近现场、进入现场、实施犯罪、毁证灭迹、逃离现场、处理赃物（非法所得）等过程中的行为规律都具有不同的特点。而这些信息，在大数据时代可以从视频监控系统、司法机关的情报信息系统，以及社会机构（如金融机构、电信部门、保险公司等）的管理信息、互联网、物联网等系统中获得，以此为基础，再运用人工智能对云数据中的多种社会行为进行自动搜索、智能分析，最终实现发现犯罪行为，例如分析可疑行为、可疑服饰、可疑轨迹、可疑车辆、特定人群等。当通过研判个人或人群的行为推测犯罪风险极高时，系统会自动报警，从而警方可以提前干预并制止犯罪。例如一个人频繁造访刀具店等可疑场所，并且买了一把菜刀，后来又买了麻袋、绳子和大量塑料袋，那么他杀人分尸的犯罪风险系数就会变得很高。通过多维度的分析，利用人工智能可以及时将这些动态的犯罪相关信息进行有效关联，并刻画出犯罪嫌疑人立体的数据画像，为侦查人员主动侦查潜在的犯罪行为夯实基础。

4

结论

大数据时代，智能化的数据分析方法正在逐渐改变侦查活动。人工智能技术是清洗、分析海量数据的有效手段，数据分析与建模可以大幅提升侦查机关的侦查效益，例如由语言识别、文本处理、可视化、云计算等手段衍生而来的“智脑公安案情分析系统”“蜻蜓眼大平台”系统，都充分利用了智能手段提高侦查机关对案件侦办工作的掌控能力。侦查机关可以根据犯罪活动规律，导入关键信息并构建相关模型，利用人工智能对犯罪行为进行科学预测，通过对案件构成的“人、时、物、地、事、情、因”要素的跟踪分析，既可以发现较易受害的高危人群，也可以挖掘潜在的犯罪行为人，对潜在犯罪行为人进行实时监控，减少犯罪黑数，降低初期侦查决策的时间成本，及时发现并制止犯罪行为的发生。尽管当前人工智能犯罪预测仍存在其技术局限，但人工智能高速精准的舆情爬取能力和犯罪信息的清洗处理能力，也为侦查机关提供了形成符合经济学原理的侦查高效模式的机遇和路径。人工智能所开拓的人类社会的又一维度——数据空间，对侦查机关的侦查模式提出了新的挑战，但是通过数据溯源、数据审计等技术控制，合理运用人工智能技术对动态的犯罪相关信息进行研判，充分发掘人工智能技术在犯罪预测领域中的多种应用路径，将极大地促进侦查机关工作效能的提升，有效强化侦查机关的预判预测能力。

《中国刑警学院学报》2020年第6期目录

【犯罪学与犯罪侦查】

1.人工智能犯罪预测

胡向阳、丁寒（5）

2.毒品问题指数及预测

郑永红（12）

3.有限理性下侦查决策偏误的实证分析

段喆斐（19）

4.一起杀人碎尸案的犯罪行为与心理剖析

向静、高滢（28）

【司法鉴定问题改革】

5.司法鉴定收费制度的模式变迁及其改革方向

陈如超、胡昌存（36）

6.《医疗纠纷预防和处理条例》的鉴定之问

程军伟（44）

7.司法鉴定术语“部门化”现象反思

欧阳国亮（51）

【刑事政策与刑事法律】

8.论刑事指导性案例裁判规则的生成

沈振甫（58）

9.我国涉罪未成年人人身危险性评估要素相关性分析

付凤、李世英（66）

10.电信网络诈骗罪名体系中的证据问题

——以7种罪名135个案例为样本

罗文华、程家兴、尹乾坤 等（76）

11.美国数据分类调取制度述要及启示

吴慧敏（83）

【公安学与公安管理】

12.多层外交理论视角下国际警务执法合作体系建构

朱志玲（91）

13.管制成瘾物质名词的演变

——从“鸦片烟”谈起

周立民（98）

【刑事科学技术与法医】

14.不同利手人的左右手笔迹比对

卫燕茹（105）

15.不同鞋种形成的立体足迹踏痕变化规律

高毅（110）

【网络安全与信息技术】

16.基于最优阈值筛选的偏色视频校正

于彤、孙鹏、单大国 等（117）

17.不同语音特征对声音分类的有效性研究

王华朋、牛瑾琳、刘元周 等（122）

《中国刑警学院学报》（双月刊，国内统一刊号：CN21-1310/N；国际标准刊号：ISSN2095-7939）1983年创刊，是我国公安高等院校的第一本学报。由中华人民共和国公安部主管，中国刑事警察学院主办，以反映和介绍公安学、公安技术和刑事法律研究成果为主要理论特色，面向国内外公开发行。

《中国刑警学院学报》现任编委会主任为中国刑事警察学院党委副书记、院长郝宏奎教授，副主任为中国刑事警察学院党委委员、副院长袁广林教授，主编为刘冲教授。

自创刊以来，《中国刑警学院学报》始终坚持理论联系实际，为政法机关特别是公安机关打击犯罪服务、为公安教育和科研服务的办刊宗旨，秉承中国刑事警察学院鲜明的犯罪侦查与治理的学科专业特色，设有“刑事政策与刑事法律”“犯罪学与犯罪侦查”“公安学与公安管理”“刑事科学技术与法医”“网络安全与信息技术”等固定栏目。

《中国刑警学院学报》2018年度综合影响因子为0.329，在全国公安院校学报中居于前列。入选清华大学《法学一级学科最重要学术期刊、重要学术期刊和集刊名录》，并被西南政法大学、西北政法大学列为“C类重要期刊”。一些公安本科院校也把本学报列为“重要期刊”。

-END-

责任编辑 | 李妍靓

审核人员 | 张文硕

获取更多信息

北大法宝

北大法律信息网

法宝学堂

法宝智能